用户研究

第三代验证码研究

烈酒焚心 提交于 2020-03-27 06:33:01
原创文章,转载请标明出处! https://www.cnblogs.com/boycelee/p/11363611.html 随着机器学习与图像识别技术的发展,第一代、第二代验证码已经失去了安全验证的作用。为了增加识别难度,网站暴力升级图片验证码,严重破坏了用户体验。第三代验证码的诞生解决了这一痛点,第三代验证码已经不再是狭义上的验证码,它通过多场景多维度进行数据收集,为网站提供立体式安全保障。 声明 本文内容仅限于研究,不涉及各安全厂商具体源码与风控策略。维护网络安全,人人有责。 背景 前段时间分析了市面上一些安全厂商的第三代验证码协议,以下内容不针对任何厂商,仅聊聊自己对第三代验证码的理解。 验证码划代 (一)第一代验证码 定义:主要利用简单知识构建验证码。如中文、英文、数字等。 (二)第二代验证码 定义:以第一代验证码为基础,以创新交互方式的思想构建验证码。如看题选字、看图选物等。 (三)第三代验证码 定义:多场景多维度收集数据信息,为网站提供立体式安全防护。 第一第二代验证码退出历史舞台的原因 以下是我总结的两点原因 (1)随着机器学习与图像是被技术的发展,第一代、第二代验证码已经失去了安全验证的作用; (2)为了增加识别难度,网站暴力升级图片验证码,严重破坏用户体验。 举个例子 以上类型验证码我们通过肉眼识别准确率大约为30%,但我们拿到图片打码平台(魔镜

用户反馈研究的基本流程——定性研究

与世无争的帅哥 提交于 2020-03-05 17:53:42
目录 1、为什么要做用户反馈研究 2、Step1_划定调研对象,确定调研内容 3、Step2_收集用户反馈数据 4、Step3_分析用户反馈数据 5、Step4_确定解决方案并执行 6、其他产品相关示例 7、结语 为什么要做用户反馈研究   上线之后,对用户反馈做研究是产品设计闭环中重要且必要的一步。 ① 腾讯的“10/100/1000”法则 在腾讯,要求产品经理每个月必须做够10个用户调查,关注100个用户博客,收集1000个用户反馈,通过与用户的紧密连接 从而持续不断的了解用户的使用习惯,获得最直接的用户反馈刺激,为产品不断完善提供源源不断的“物料支持” ② MIUI 论坛-只为更加了解用户   MIUI论坛通过专门开设 [BUG反馈专区] 和 [用户交流社区] 构建海量用户反馈的需求池,并且将用户反馈问题的解决进度和 解决效果实时展示给用户     对于不同角色的产品相关人员,做用户反馈研究的目的也是不同的,大致如下: PM的Notice : ① 检验产品方案是否适配业务,是否有效 ② 关注用户反馈,为后续迭代收集需求 UX的Notice : ① 是否符合预期用户的使用路径 ② 发现真实数据下的交互体验盲点 运营的Notice: ① 上线前后关键运营指标的对比 ② 综合数据波动与用户反馈,及时调整运营策略 虽然对于不同类型的产品来说,其用户反馈调研的方法会有所不同

ASP.“.NET研究”NET MVC 3 —— Model的使用?

眉间皱痕 提交于 2020-02-28 01:17:33
  昨天博客发了新文章,讲一下我对如何使用MVC中的Model的看法,不是什么大技术,当是一个技术讨论^^   原文地址:http://www.youguanbumen.net/Article.aspx?id=79   原文:   前两天写了个文章ASP.NET MVC 3 —— Model远程验证,主要记录了一下ASP.NET MVC 3中新增的RemoteAttribute类的使用,得益于这个类,我们可以在模型中为属性配置客户端远程校验的业务,文章中给了出一个简单的实体类MyUser_Add,举了一个最常见的注册用户时验证用户名是否存在的例子,最后成功地对用户名实现了用ajax加薪校验的功能。给出Model的代码如下: 1. /// summary 2. /// 用户添加操作的模型 3. /// /summary 4. publicclassMyUser_AddModel 5. { 6. #region MyRegion 7. /// summary 8. /// 用户名 9. /// /summary 10. [DisplayName("登录账号")] 11. [Required(ErrorMessage = "用户账号不能为空")] 12. [Remote("CheckUserAccountExists", "Test", ErrorMessage = "用户账号已存在")

用户体验之如何明确定义了目标受众

こ雲淡風輕ζ 提交于 2020-02-25 10:36:02
摘要: 即使您的目标受众特征非常广泛,您仍应确定该受众群体中的特定用户组,以用于UX研究和设计。 当设计服务于大量不同的用户时,利益相关者有时会指出设计必须以“每个人”为目标。这种方法可能比关注某些类别的人更具包容性,对于需要有强烈需要的组织尤其具有吸引力。吸引更多客户或用户。 但是对目标受众的任何范化范畴的定义,实际上会导致大多数人的实际可用性理解的降低。 如果不了解用户是谁,您就有可能获得有偏见的研究结果和不连贯的设计选择。 您并不总是需要精确的用户特征类别,但您 确实 需要知道谁将使用该设计,以及他们将尝试使用它做什么。 设计 Anyon e就像打包到 任何地方 旅行 在您打包旅行之前,您可能至少收集了一些有关以下内容的信息: 你打算待多久 你将要做什么样的活动 您目的地的天气如何? 想象一下,如果你不知道是否要去周末短途旅行去豪华度假村或者去南极洲进行为期六周的探险,那么试着去旅行做准备。 如果你没有所需要的背景,你怎么可能为一次伟大的旅行带来合适的用品呢? 在不了解您的用户的情况下设计产品就像打包旅行而不考虑您的目的地 - 两者都可能以令人不快的惊喜结束,而这可能是通过一点预见而避免的。 完全相同的原理适用于设计。 确保我们的用户拥有良好的体验并不一定意味着我们需要定义他们的一切。 但我们确实需要对他们即将开始的旅行做出很多定义:他们将开展哪些活动

原创:语义相似度(理论篇)

落爺英雄遲暮 提交于 2020-01-18 14:50:51
  如果本文观点有不对的地方,欢迎指正! author:佟学强  开场白:对于事物的理解,一般分3个层次:①看山是山,看水是水②看山不是山,看水不是水③看山是山,看水是水。对AI和nlp的理解,同样会有这三个层次。比如,刚毕业的硕士或者毕业1~2年的,会热衷于研究GAN,seq2seq,甚至包括nlp刚起步的一些公司。这类群体对nlp的理解处于第一层次,后面还有很多雷区要踩,要付出一定的试错代价,成长的代价。等到有一定的积累了,对nlp的理解有一定的理解功底了,会逐渐修正研究路线和方向,这个时候比第一阶段有更多的疑惑,因为随着研究的深入,发现nlp和图像机制存在很大的不同,不能照搬,认知智能好像不是那么容易,由感知智能到认知智能的跨越,是这一阶段的一大进步,这是第二个层次,各个派别有争论,看山不是山,看水不是水。最高境界,返璞归真,拥有行业20年及以上的研究人员,对nlp看的比较透,目前的Ai基本上陷入了统计建模,概率的漩涡之中,还不是真正的智能。仅仅从数据中挖掘线性关系还远远不够,应该让机器具有认知能力,挖掘因果关系。致力于推进nlp认知智能的进步,加大力度研究知识图谱,包括知识图谱的向量化,与深度学习的融合,让神经网络学习规则等等。可以这样说,目前从感知智能到认知智能的跨越,才刚刚开始,知识工程的复苏势不可挡。本人接触过许多刚入门的人,基本上对seq2seq和GAN比较狂热

知识图谱研究进展

 ̄綄美尐妖づ 提交于 2020-01-12 20:27:09
在原文 《知识图谱研究进展》 基础上上做了相应的调整和补充 本文首先简要回顾知识图谱的历史,探讨知识图谱研究的意义。其次,介绍知识图谱构建的关键技术,包括实体关系识别技术、知识融合技术、实体链接技术和知识推理技术等。然后,给出现有开放的知识图谱数据集的介绍。最后,给出知识图谱在情报分析中的应用案例。 — 漆桂林、高桓、吴天星 东南大学计算机科学与工程学院 本文节选自《情报工程》2017 年第 1 期,知识图谱专题稿件。 1 知识图谱构建技术   本节首先给出知识图谱的技术地图,然后介绍知识图谱构建的关键技术,包括关系抽取技术、知识融合技术、实体链接技术和知识推理技术。 1.1 知识图谱技术地图   构建知识图谱的主要目的是获取大量的、让计算机可读的知识。在互联网飞速发展的今天,知识大量存在于非结构化的文本数据、大量半结构化的表格和网页以及生产系统的结构化数据中。为了阐述如何构建知识图谱,本文给出了构建知识图谱的技术地图,该技术地图如图1所示。   整个技术图主要分为三个部分,第一个部分是知识获取,主要阐述如何从非结构化、半结构化、以及结构化数据中获取知识。第二部是数据融合,主要阐述如何将不同数据源获取的知识进行融合构建数据之间的关联。第三部分是知识计算及应用,这一部分关注的是基于知识图谱计算功能以及基于知识图谱的应用。 1.1.1 知识获取   在处理非结构化数据方面

用户研究(下)

爱⌒轻易说出口 提交于 2020-01-08 11:24:02
用户研究(下) 可用性测试 方法论简介 VALUE of USER TEST 通过真实用户在特定场景下的核心任务实操,暴露各类痛点问题,帮助产品设计团队优化提升。 1.产品概念期:探索新产品应包含哪些内容和功能,以满足用户的需求——定向探索 2.产品上线期:在发布前和发布后对最新版本的测试,通过评估可用性,排除潜在迭代风险,提前预知用户适应情况和可能疑问——风控 3.优化迭代期:排查当前版本体验痛点,比较本品/竞品,A/B方案优缺点——定位 怎么测 定量体验评估 VALUE of Experience Survey 收集真实用户的体验journey感知评价,量化反映产品体验水平,帮助产品体验提升与竞争力决策。 常用定量调研方法与样本量要求 满意度 NPS净推荐值 痛点发生率(不满意的原因) 主观题 来源: https://www.cnblogs.com/luckyjiang/p/12165367.html

用户体验要素——产品系统设计方法

陌路散爱 提交于 2019-12-29 21:56:52
用户体验已经成为了每个互联网人的口头词,特别是互联网产品经理或产品设计师。 的确,对于任何一个互联网产品而言,体验都是非常重要的。 但是具体的用户体验到底指的是哪些方面,界面,UI,还是交互,其中到底是什么因素决定了一个产品体验的好与坏?而这些因素之间具体是什么的逻辑关系?决定体验好与坏的整体框架是什么?这是我一直想弄明白的事情。 前后读了很多与用户体验相关的书籍,其中美国作家加瑞特的《用户体验的要素》给了我很好的解答。不过真的感觉这本书不应该取这个名字,这点体验的确很不好,没弄明白读者到底想知道什么。 首先整个产品设计分为5个大的方面,由低到高,底层根本原因决定上层形态构成。和网站分层也很形象。 1. 战略层:我们为什么要做这个产品? 2. 范围层:我们要建设什么样的内容? 3. 结构层:如何呈现给用户?模式、顺序、优先级? 4. 框架层:哪些功能在哪些页面上完成?这些功能在页面上如何实现? 5. 表现层:不仅是美化,而是产品功能是否得到很好的展示? 1.战略层 (内)我们要从这个产品中得到什么?产品目标是什么? (外)我们的用户要从这个产品中得到什么?产品需求是什么? 产品目标?也许大部分的产品都会是以用户为出发点的,都是为了满足用户需求,赢得市场利润。 那么用户需求是什么?这个可能就是用户体验最大的挑战,就是比用户自己更准确地去理解他们的需求。 用户需求核心:可用、易用的产品

Advances and Open Problems in Federated Learning 总结翻译

喜夏-厌秋 提交于 2019-12-28 05:24:58
摘要 联邦学习(FL)是一种机器学习设置,在这种设置中,许多客户(例如移动设备或整个组织)在中央服务 器(例如服务提供商)的协调下协作地训练模型,同时保持训练数据分散。FL体现了集中数据收集和最 小化的原则,可以减轻由于传统的、集中的机器学习和数据科学方法所带来的许多系统隐私风险和成 本。在FL研究爆炸性增长的推动下,本文讨论了近年来的进展,并提出了大量的开放问题和挑战。 MENU 1.引言 跨设备联邦学习设置 联邦学习中模型的生命周期 典型的联邦训练过程 联邦学习研究 组织 2. 放宽核心FL假设: 应用到新兴的设置和场景 完全的去中心化/端对端分布式学习 算法挑战 实际挑战 跨竖井联合学习 3. 提高效率和效果 联邦学习中的非IID 数据 对于处理非IID数据的策略 4 .保护用户隐私 5. 对攻击和失败的健壮性 6. 确保公平,消除偏见 7. 结论 1.引言 联邦学习(FL)是一种机器学习设置,在这种设置中,许多客户端(例如移动设备或整个组织)在中 央服务器(例如服务提供商)的协调下协作地训练模型,同时保持训练数据分散。它体现了集中收集和 最小化数据的原则,并且可以减轻传统的集中式机器学习带来的许多系统隐私风险和成本。 这一领域 最近从研究和应用的角度都引起了极大的兴趣。 本文描述了联邦学习设置的定义特征和挑战,强调了 重要的实践约束和注意事项

小白入门知识图谱构建与应用

你。 提交于 2019-12-16 06:51:35
知识图谱的构建技术与应用研究 知识图谱的概念在2012年由Google正式提出,其目的是以此为基础构建下一代智能化的搜索引擎,改善搜索结果质量。知识图谱技术是人工智能技术的重要组成部分,也是当下非常热门的研究方向。文章从知识图谱的概念和技术架构出发,综述知识图谱构建的关键技术,包括知识抽取、知识表示、知识融合、知识推理四大主要内容。同时,对于知识图谱的当下的现实应用作进一步阐述。 目录 1知识图谱概述 2知识图谱构建技术 2.1知识抽取 2.1.1实体抽取 2.1.2关系抽取 2.1.3属性抽取 2.2知识表示 2.2.1代表模型 2.2.2复杂关系模型 2.2.3多源信息融合 2.3知识融合 2.3.1实体链接 2.3.2知识合并 2.4知识推理 3知识图谱的应用 3.1智能搜索 3.2问答系统 3.3社交网络 3.4垂直应用 4总结 参考文献 1知识图谱概述     说起知识图谱,不由得从信息检索开始,从本质上来说,知识图谱是信息检索新时期的产物。信息检索起源于图书馆的参考咨询和文摘索引工作,19 世纪下半叶开始起步,至 20 世纪 40 年代,索引和检索成为图书馆独立的工具和用户服务项目。信息检索是知识管理的核心支撑技术,伴随知识管理的发展和普及,应用到各个领域,成为人们日常工作生活的重要组成部分[1]。伴随着Web技术的不断演进与发展,人类先后经历了以文档互联为主要特征的